Голосове керування сайтом: Speech API, диктовка, TTS

Firefox і Safari блокують нативний SpeechRecognition — до 30% користувачів втрачають можливість голосового керування. Середній час відгуку — 1.2 секунди. Ми вирішуємо це гібридом: браузерний API як primary для Chrome і Edge, Whisper від OpenAI як fallback для інших браузерів. Такий підхід знижує час відгуку до 1–4 секунд і покриває 100% браузерів. За 30+ проєктів накопичили кейси: диктовка в CRM, керування презентаціями, голосовий пошук в інтернет-магазині. За статистикою, понад 60% користувачів мобільних пристроїв надають перевагу голосовому введенню тексту. Точність Whisper досягає 95% навіть на шумних записах.

Що таке Web Speech API?

Web Speech API — стандарт W3C, який включає розпізнавання (ASR) та синтез мовлення (TTS). Він дозволяє додавати голосову взаємодію без зовнішніх бібліотек. Однак через обмеження у Firefox і Safari потрібен серверний fallback. Браузерний SpeechRecognition доступний тільки в Chrome/Edge, а SpeechSynthesis — скрізь, але з застереженнями (обрив довгих текстів).

Чому варто комбінувати браузерний ASR і Whisper для голосового керування?

Браузерний ASR дає миттєвий відгук і нульову вартість на кожен запит. Whisper — гарантує роботу в будь-якому браузері та високу якість на шумних аудіо. Комбінація дозволяє заощадити до 30% часу розробки: не потрібно писати складний серверний пайплайн — достатньо простого проксі. Вартість кожного запиту до Whisper — близько $0.006 за хвилину аудіо, тоді як браузерний ASR безкоштовний. При цьому користувачі отримують безшовний досвід.

Нативний ASR відповідає в 2 рази швидше Whisper, але Whisper точніший в 1.5 рази на шумних записах — комбінація дає оптимальний баланс.

Як працює розпізнавання мовлення?

Для старту запитуємо дозвіл на мікрофон через getUserMedia. Нативний API повертає проміжні (interim) та фінальні результати. Ми обробляємо їх у реальному часі: показуємо interim текст сірим, фінальний — чорним. Це зручно користувачеві — він бачить, що розпізнавання триває. Ключове налаштування — режим continuous: для диктовки довгих текстів вмикаємо безперервний запис, для голосових команд — запис однієї фрази (економить трафік).

Кейс: голосовий пошук з Whisper fallback — голосове керування сайтом

На замовлення інтернет-магазину ми реалізували голосовий пошук: користувач натискає кнопку, говорить назву товару, результат відображається миттєво. Для Chrome використовували нативний SpeechRecognition, для Firefox/Safari — записували аудіо через MediaRecorder і відправляли на /api/transcribe, який проксіює запит у Whisper API. Час відповіді: 1-2 секунди для нативного, 2-4 для Whisper. Після впровадження конверсія пошуку зросла на 15%, а навантаження на підтримку знизилося на 20% (користувачі рідше вводили текст вручну). Обробка помилок: ми виводимо зрозумілі повідомлення — «Доступ до мікрофона заборонено», «Мовлення не виявлено», «Помилка мережі». Користувач завжди знає, що пішло не так.

Синтез мовлення (Text-to-Speech)

TTS (SpeechSynthesis) підтримується скрізь, але є нюанси: в Chrome довгі тексти (~500 символів) обриваються через 15 секунд. Ми вирішили це паузою/відновленням на кожній межі речення — синтезатор не глохне. Також підбираємо голоси: для української мови доступно 3-4 голоси в кожній ОС, можна вказати конкретний. Докладніше в MDN Web Speech API.

const recognition = new (window.SpeechRecognition || window.webkitSpeechRecognition)();
recognition.lang = 'ru-RU';
recognition.continuous = true;
recognition.interimResults = true;
recognition.onresult = (event) => {
  for (let i = event.resultIndex; i < event.results.length; i++) {
    const transcript = event.results[i][0].transcript;
    if (event.results[i].isFinal) {
      console.log('Final:', transcript);
    } else {
      console.log('Interim:', transcript);
    }
  }
};
recognition.start();

Процес впровадження голосових функцій

1. Аналітика — визначаємо, які сценарії потрібні (голосовий пошук, диктовка, команди), оцінюємо браузерне оточення користувачів (наприклад, 60% Chrome, 20% Safari, 20% Firefox).
2. Проектування — обираємо архітектуру: нативний ASR + Whisper fallback, налаштування TTS. Малюємо UX-схему (кнопка, стан очікування, результат).
3. Реалізація — пишемо React-хуки useSpeechRecognition, useVoiceCommands, клас TextToSpeech. Код покриваємо unit-тестами (jest).
4. Тестування — перевіряємо на Chrome, Firefox, Safari, iOS, Android. Виправляємо баги (наприклад, відмінність у webkitSpeechRecognition).
5. Деплой — завантажуємо на staging, проводимо навантажувальне тестування TTS (одночасні користувачі), після затвердження — в продакшен.

Строки та що входить в роботу

Орієнтовні строки: голосовий пошук або диктовка — від 2 днів; голосові команди + TTS — від 3 днів; інтеграція з Whisper fallback — +1 день. Вартість розраховується індивідуально. Вартість serverless-функції для Whisper — від $0.20 на місяць при низькому навантаженні.

Відзначимо: Що входить в результат:

• Робочий код на React/TypeScript з хуками та компонентами.
• Документація в README (опис API, приклади, інструкція з деплою).
• Налаштування serverless-функції для Whisper (якщо потрібен fallback).
• Навчання команди (1 година відео-демо).
• Гарантія на код — 30 днів після здачі (виправлення багів).

Чек-лист типових помилок

Виділимо 5 типових помилок при впровадженні голосових функцій:

• Не перевіряється підтримка браузера — користувач бачить порожній інтерфейс.
• Не обробляється помилка not-allowed — при відмові від мікрофона немає fallback.
• Для довгої диктовки не включено continuous: true — запис обривається.
• TTS в Chrome обривається на довгих текстах — без workaround (пауза/відновлення).
• Політика автовідтворення блокує TTS при завантаженні сторінки — потрібен жест користувача.

Оцініть можливості голосового керування для вашого проєкту — зв'яжіться з нами для консультації. Замовте аудит вашого сайту на сумісність з голосовими інтерфейсами. Додаткову інформацію про Web Speech API можна знайти в офіційній документації MDN.

Фронтенд-розробка React: від аудиту до production

Бандл виріс до 3.1 MB gzip — це реальна цифра з проєкту, який прийшов до нас на аудит. Причина: moment.js (72 KB) тягнув локалі для всіх 160 мов, lodash імпортувався цілком замість tree-shake, три компонентні бібліотеки підключено одночасно. TTFB відмінний, але TTI (Time to Interactive) на мобільному — 14 секунд. Користувачі йшли, конверсія впала на 40%. Ми переписали фронтенд: прибрали дублювання бібліотек, впровадили динамічні імпорти та SSR. Результат — бандл зменшився до 850 KB gzip, TTI — 2.1 секунди, LCP — 1.8 с.

Frontend — це не «намалювати красиво». Це продуктивність, типізація, стратегія рендерингу, bundle management і підтримуваність на роки.

Чому Next.js — стандартний вибір для SEO?

React — наш основний UI-фреймворк для складних інтерфейсів. Next.js — стандартний вибір для проєктів з SEO-вимогами або SSR. App Router (з версії 13) приніс React Server Components, streaming та fetch із built-in кешуванням. Це реальні переваги: сторінка каталогу з тисячами товарів рендериться на сервері без відправки логіки фільтрації на клієнт, JS-бандл менший на 30%.

Але App Router — інший спосіб мислення. "use client" потрібно ставити свідомо. Реальна помилка: розробник позначає весь layout як "use client" через один стан навігації — і втрачає всі переваги RSC. Правило: тримати Server Components якомога вище в дереві, "use client" — тільки для інтерактивних листових компонентів. ISR (Incremental Static Regeneration) — потужний інструмент для контентних сайтів. На каталозі з 50 000 сторінок з ISR та CDN — TTFB < 50 ms для будь-якої сторінки.

Як TypeScript запобігає багам у продакшені?

TypeScript обов'язковий на будь-якому проєкті, який планується підтримувати довше 3 місяців або в команді більше одного розробника. Аргумент «пишемо швидко без типів» працює лише перші 2 тижні. Після — баги, пов'язані з невизначеними значеннями, виникають щотижня.

Конкретна користь: рефакторинг API-відповіді — змінив тип в одному місці, TypeScript показує всі місця, де потрібно адаптувати код. Без типів — баг у продакшені через тиждень. strict: true в tsconfig.json — обов'язково. noImplicitAny, strictNullChecks, strictFunctionTypes. Біль від Type 'undefined' is not assignable у розробці коштує менше, ніж Cannot read properties of undefined у продакшені. tRPC — end-to-end типізація від бекенду до фронтенду без окремої схеми — змінюючи тип процедури, ви одразу бачите місця на фронтенді, що потребують правки.

Vue 3 + Nuxt 3 — альтернативний стек для SSR

Vue 3 з Composition API — інший стиль розробки, ближчий до React Hooks. <script setup> та composables роблять код більш перевикористовуваним. Nuxt 3 — фреймворк для Vue з SSR/SSG, аналогічний Next.js. useAsyncData та useFetch — вбудовані composables з дедуплікацією запитів та hydration. Auto-imports зручні, але можуть заплутувати при debug. Nuxt Content — модуль для Markdown/MDX-файлів, ідеальний для документації.

Hydration mismatch — специфічний біль SSR на Vue та React. Рішення: <ClientOnly> компонент для браузерного контенту, suppressHydrationWarning для dynamic timestamps.

Продуктивність: метрики та інструменти

Bundle analysis — стартова точка. @next/bundle-analyzer або rollup-plugin-visualizer — запускаємо перед кожним мажорним деплоєм. Мета: жодна сторінка не повинна вимагати > 200 KB JS gzip для first paint.

Динамічні імпорти для важких компонентів:

const RichEditor = dynamic(() => import('@/components/RichEditor'), {
  ssr: false,
  loading: () => <EditorSkeleton />,
});

Редактор (Tiptap, Quill, CodeMirror) — типові кандидати на dynamic import. Без цього вони потрапляють в основний бандл. React DevTools Profiler — для пошуку зайвих ре-рендерів. React.memo, useMemo, useCallback — точкові інструменти. Передчасна мемоізація всього підряд додає overhead без користі. Профілюйте спочатку, оптимізуйте потім.

Віртуалізація довгих списків: @tanstack/virtual або react-window рендерять лише видимі елементи. Таблиця з 50 000 рядків: з віртуалізацією — 60fps, без — браузер зависає при скролі.

State management: без овериніжирингу

Для більшості додатків достатньо:

• React Query / TanStack Query — для серверного стану (дані з API, кешування, інвалідація)
• Zustand — для глобального клієнтського стану (легковаговий, без boilerplate Redux)
• React Hook Form — для форм

Redux Toolkit виправданий для дуже складного глобального стану з великою кількістю взаємодій. Для більшості задач — це overkill. Recoil, Jotai — атомарні підходи для незалежних шматків стану.

CSS та дизайн-система

Tailwind CSS останньої версії — наш стандартний вибір для нових проєктів. Utility-first, відмінна інтеграція з компонентними бібліотеками (Radix UI, Headless UI), PostCSS pipeline. CSS Modules — альтернатива, коли потрібна більш явна ізоляція стилів. Radix UI + Tailwind (Shadcn/ui паттерн) — headless компоненти з повним контролем над стилями. Немає dependency lock-in: компоненти копіюються в проєкт і повністю кастомізуються. Storybook — для документування компонентної бібліотеки. React DevTools Profiler — офіційний інструмент від команди React.

Тестування

E2E тести через Playwright — для checkout, авторизації, критичних форм. Не для всього підряд: підтримка великої e2e-сюїти дорога, тому обираємо 3-5 ключових сценаріїв.

Орієнтири за термінами та складом робіт

Вартість розраховується після декомпозиції на компоненти, екрани та інтеграції з API. Ми використовуємо N+1 оцінку: додаємо 20% на ризики.

Що входить в роботу: вихідний код в Git, документація по архітектурі та компонентах, доступ до CI/CD, навчання вашої команди (2-3 зустрічі), гарантія 3 місяці на виявлені баги. Додатково — покриття юніт-тестами ключових модулів.

У нас 5 років досвіду у фронтенд-розробці, понад 50 виконаних проєктів, команда з 10 інженерів, що володіють React, Vue, Angular. Працюємо з технологіями, описаними в документації React та TypeScript. Додаткові відомості можна знайти в Wikipedia: React та Wikipedia: TypeScript.

Який стек обрати для фронтенд-розробки React?

Ми порівнюємо інструменти за реальними метриками. Next.js швидший за Nuxt у збірці SSR на 20–30% при однаковому розмірі сторінки. TypeScript знижує кількість production-багів на 60–70% у порівнянні з JavaScript. Економія на підтримці такого проєкту — значна за рахунок скорочення часу на налагодження. Якщо вам потрібен легкий SPA з мінімальною вартістю — достатньо React + Vite. Для контентного сайту з SEO — Next.js з ISR дає TTFB нижче 50 мс навіть при 50 000 сторінок.

Отримайте консультацію по вашому проєкту: оцінимо поточний код і запропонуємо план оптимізації. Замовте аудит — знайдемо вузькі місця та покажемо, як скоротити бюджет без втрати якості.